Imágenes hiperespectrales de las superficies adaxiales y abaxiales de las hojas como predictor de la nutrición del cultivo de macadamia
Autores: De Silva, Anushika L.; Trueman, Stephen J.; Kämper, Wiebke; Wallace, Helen M.; Nichols, Joel; Hosseini Bai, Shahla
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
árbol
Nutriente
Imagen hiperespectral
Adaxial
Abaxial
Predicción
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
El rendimiento de los cultivos de árboles depende en gran medida de los insumos de fertilizantes, que a menudo se guían por la evaluación de los niveles de nutrientes foliares. Los métodos tradicionales de análisis de nutrientes son laboriosos, pero la imagenología hiperespectral tiene potencial para una evaluación rápida de nutrientes. La imagenología hiperespectral se ha realizado generalmente utilizando la superficie adaxial de las hojas, aunque el rendimiento predictivo de los datos espectrales rara vez se ha comparado entre las superficies adaxial y abaxial de las hojas de los árboles. Nuestro objetivo fue evaluar la capacidad de la imagenología hiperespectral basada en laboratorio (longitudes de onda de 400-1000 nm) para predecir las concentraciones de nutrientes en las hojas de macadamia. También buscamos comparar la precisión de la predicción de las superficies foliares adaxial y abaxial. Muestreamos hojas de 30 árboles de macadamia a las 0, 6, 10 y 26 semanas después de la floración y capturamos imágenes hiperespectrales de sus superficies adaxial y abaxial. Se desarrollaron modelos de regresión por mínimos cuadrados parciales (PLSR) para predecir las concentraciones de nutrientes foliares. Se utilizaron coeficientes de determinación (R) y razones de predicción a desviación (RPD) para evaluar la precisión de la predicción. Los modelos predijeron de manera confiable las concentraciones de nitrógeno (N), fósforo (P), potasio (K), calcio (Ca), cobre (Cu), manganeso (Mn), azufre (S) y zinc (Zn) en las hojas. Los modelos de mejor ajuste generalmente predijeron las concentraciones de nutrientes a partir de datos espectrales de la superficie adaxial (por ejemplo, N: R = 0.55, RPD = 1.52; P: R = 0.77, RPD = 2.11; K: R = 0.77, RPD = 2.12; Ca: R = 0.75, RPD = 2.04). La imagenología hiperespectral mostró un gran potencial para predecir el estado de los nutrientes. La evaluación rápida de nutrientes a través de la imagenología hiperespectral podría ayudar a los cultivadores a aumentar la productividad de los huertos gestionando los insumos de fertilizantes de manera más oportuna.
Descripción
El rendimiento de los cultivos de árboles depende en gran medida de los insumos de fertilizantes, que a menudo se guían por la evaluación de los niveles de nutrientes foliares. Los métodos tradicionales de análisis de nutrientes son laboriosos, pero la imagenología hiperespectral tiene potencial para una evaluación rápida de nutrientes. La imagenología hiperespectral se ha realizado generalmente utilizando la superficie adaxial de las hojas, aunque el rendimiento predictivo de los datos espectrales rara vez se ha comparado entre las superficies adaxial y abaxial de las hojas de los árboles. Nuestro objetivo fue evaluar la capacidad de la imagenología hiperespectral basada en laboratorio (longitudes de onda de 400-1000 nm) para predecir las concentraciones de nutrientes en las hojas de macadamia. También buscamos comparar la precisión de la predicción de las superficies foliares adaxial y abaxial. Muestreamos hojas de 30 árboles de macadamia a las 0, 6, 10 y 26 semanas después de la floración y capturamos imágenes hiperespectrales de sus superficies adaxial y abaxial. Se desarrollaron modelos de regresión por mínimos cuadrados parciales (PLSR) para predecir las concentraciones de nutrientes foliares. Se utilizaron coeficientes de determinación (R) y razones de predicción a desviación (RPD) para evaluar la precisión de la predicción. Los modelos predijeron de manera confiable las concentraciones de nitrógeno (N), fósforo (P), potasio (K), calcio (Ca), cobre (Cu), manganeso (Mn), azufre (S) y zinc (Zn) en las hojas. Los modelos de mejor ajuste generalmente predijeron las concentraciones de nutrientes a partir de datos espectrales de la superficie adaxial (por ejemplo, N: R = 0.55, RPD = 1.52; P: R = 0.77, RPD = 2.11; K: R = 0.77, RPD = 2.12; Ca: R = 0.75, RPD = 2.04). La imagenología hiperespectral mostró un gran potencial para predecir el estado de los nutrientes. La evaluación rápida de nutrientes a través de la imagenología hiperespectral podría ayudar a los cultivadores a aumentar la productividad de los huertos gestionando los insumos de fertilizantes de manera más oportuna.